Représentativité et généralisation d’estimations de séroprévalence des anticorps contre le SRAS-CoV-2 dans la population pédiatrique montréalaise
Bibliographic record
Abstract
Les études de séroprévalence portant sur les infections au SRAS-CoV-2 doivent souvent composer avec des échantillons non-aléatoires et non-représentatifs, limitant ainsi parfois la validité externe de leurs résultats lorsque ceux-ci sont appliqués à la population générale. Dans le cadre de ce mémoire, il s’agit d’investiguer la représentativité d’une cohorte pédiatrique d’une étude longitudinale de séroprévalence (Enfants et COVID-19 : Étude de séroprévalence) et d’évaluer dans quelle mesure ses estimations de séroprévalence peuvent s’appliquer à la population pédiatrique montréalaise en général. 1 632 enfants ont fourni au point de départ un échantillon sanguin afin de déterminer leur séropositivité aux anticorps contre le SRAS-CoV-2. À l’aide d’une modélisation par régression logistique et d’un procédé de « standardisation marginale », une pondération post-stratification calculée à partir des données du recensement canadien de 2016 a été appliquée à la population d’étude. Les variations dans les estimations de séroprévalence ont finalement été évaluées. D’importantes différences dans la distribution de certaines caractéristiques sociodémographiques peuvent être observées lorsqu’on compare la population d’étude et la population générale en se basant sur les données du recensement canadien de 2016. En comparaison des estimations non-pondérées, les estimations de séroprévalence générées à partir du procédé de « standardisation marginale » montrent une variation de plusieurs points de pourcentage, allant de -0,4% à +3,2%. La pondération n’a pas induit de changement dans l’estimation de mesures relatives comme les ratios de séroprévalence. Lorsque la population d’étude est non-représentative de la population-cible, il est nécessaire de pondérer les caractéristiques sociodémographiques associées à l’issue si l’on veut appliquer les résultats plus généralement.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".